柑橘病害會影響葉子和果實的健康，由于其癥狀影響，繼續(xù)對柑橘種植者的生產力和經濟穩(wěn)定構成威脅。黃龍病 (HLB) 或柑橘綠化病對柑橘樹是致命的，且缺乏治愈方法，并已多次復發(fā)，造成樹木毀壞 。它是一種普遍存在的威脅，由細菌病原體引起，會在葉片、莖和果實上引起壞死性病變。受感染的葉片形狀不規(guī)則、發(fā)育不良或起皺。嚴重的感染會導致不良后果，如葉片脫落、果實過早脫落、樹枝腐爛、整棵樹衰弱以及果實上出現斑點。由柑橘球腔菌引發(fā)的油斑病和由柑橘黑斑病引起的柑橘黑斑病也使柑橘樹面臨著一系列挑戰(zhàn)。由真菌引起的瘡痂病對檸檬品種、朗布爾酸橙和粗糙檸檬砧木構成了明顯威脅，導致果實、葉片和樹枝上出現類似瘡痂或疣的不規(guī)則突起，常伴有葉片扭曲。在佛羅里達州，缺鋅最初表現為葉片綠色葉脈之間出現小黃斑，逐漸發(fā)展為除綠色葉脈區(qū)域外的整體變黃，缺鋅情況會逐漸惡化。柑橘病害不僅影響產量，颶風、冬季霜凍、小雪、雨夾雪和凍雨等惡劣天氣條件以及勞動力短缺也會導致產量下降。因此，確保柑橘的盈利能力和市場競爭力的關鍵在于對受感染水果的有效控制和識別?？煽?、準確地檢測病害感染至關重要，因為這些可以通過人為干預來預防，而天氣條件則無法控制。然而，一般的檢測方法依賴于人工檢查，這容易出現人為錯誤，或者依賴于電子顯微鏡或聚合酶鏈反應等傳統方法，這些方法既耗時又昂貴，而且需要實驗室技能。在考慮病害檢測的長期最終策略時，需要能夠以更快的速度準確、不知疲倦地對柑橘病害進行分類的自動化系統。

大多數關于葉片病害檢測方法的研究都側重于利用圖像分類和識別技術的視覺或彩色數字成像。HSI 系統已被證明是一種可靠、準確且無損的方法，可以進行高光譜分辨率的深入光譜分析。此外，熒光成像系統已被廣泛用于評估植物葉片在環(huán)境壓力或病害條件下的生理特性。當特定波長激發(fā)葉綠素分子時，葉綠素會發(fā)出不同波長范圍的光。這些光譜特征可以在寬光譜范圍內表征疾病的存在，得益于 HSI 的能力，這些光譜特征可以執(zhí)行疾病檢測和分類任務 。先前的研究已經探索了多光譜檢測以評估柑橘病害對葡萄柚的影響，分類準確率達到 95.7% 。這項研究展示了雙波段多光譜成像的潛力。Thomas 等人還探索了一種結合反射和透射的高光譜成像系統來研究植物病原體。他們的發(fā)現表明，基于反射率的測量有助于早期檢測，而透射率測量則為理解和量化植物-病原體相互作用的復雜時空動態(tài)提供了補充見解。 Bauriegel 和 Herppich 利用高光譜和葉綠素熒光成像系統對小麥赤霉病進行了早期檢測 。他們在實驗室環(huán)境中使用高光譜成像系統測量鐮刀菌，在田間使用葉綠素熒光成像系統測量鐮刀菌?，F有的高光譜和熒光系統需要復雜的設置和單獨操作，導致數據收集時間更長，并且需要手動對齊數據，從而降低準確性。

此外，準確區(qū)分健康葉片和受感染葉片或具有相似可見癥狀的葉片疾病仍然是一項具有挑戰(zhàn)性的任務。近年來，包括支持向量機 (SVM)、k 最近鄰 (KNN)、人工神經網絡 (ANN) 和卷積神經網絡 (CNN) 在內的機器學習方法加速并推進了自動化系統的發(fā)展，并在疾病檢測任務中取得了可喜的成果 。在農業(yè)領域，HSI 與機器學習相結合已被證明是一種高度準確的方法，可用于檢測和分類各種葉片上的疾病，如柑橘 、葡萄、紅樹林、南瓜等。謝等人利用 HSI 檢測番茄葉片上的疾病，并應用了全光譜的極限學習機 (ELM) 模型以及針對選定波長的連續(xù)投影算法 (SPA)-ELM。在測試數據中，ELM 模型的準確率 (100%) 高于 SPA-ELM 模型 (97.1%)。SPA-ELM 方法具有模型簡化、計算時間短以及開發(fā)基于多光譜的檢測儀器的潛力。吳等采用 ELM、SVM 和 KNN 的反射率 HSI 檢測草莓葉片上的灰霉病。三種機器學習分類器在測試集中的準確率超過 90%。劉等還展示了將反射率 HSI 與機器學習模型結合使用在評估蘋果葉片上與蘋果花葉病相關的葉綠素含量方面的潛力。使用基于多種波長、平均葉片葉綠素含量及其組合的隨機森林模型從驗證數據集獲得了最高的準確率（98.89%）。陳等研究了一種帶有機器學習模型的熒光成像系統，即一種采用 ResNet50 進行遷移學習的卷積神經網絡，用于識別受黃瓜霜霉病感染的葉片。植物因病害應激而產生的葉綠素熒光參數為植物的生理特性提供了寶貴的信息。這些參數被用作深度學習模型的輸入，增強型 ResNet 模型的準確率達到了 94.76%，有助于早期疾病檢測。Weng 等人使用三個 650 nm 的 LED 對柑橘 HLB 葉片進行了葉綠素熒光測量。最小二乘支持向量機對臍橙的準確率達到 95.0%，對無核小蜜柑的準確率達到 96%。

雖然已經有大量研究僅研究基于反射或熒光的高光譜測量，但對于在單一系統中同時使用反射和熒光成像來識別葉片疾病的潛在用途的研究卻非常有限。同時使用高光譜反射和熒光成像可以帶來區(qū)分疾病的優(yōu)勢（例如，分類準確度高）。本研究探索了便攜式高光譜反射和熒光成像系統與機器學習相結合在區(qū)分柑橘葉片上各種疾病方面的潛力。使用高光譜成像系統測試了感染六種不同疾病的葉子的正面和背面以及健康對照組。使用機器學習分類器研究了高光譜葉片圖像。

圖2顯示了在Windows 11筆記本電腦上使用LabVIEW開發(fā)的系統軟件。為了操作系統，使用硬件制造商提供的帶有LabVIEW的軟件開發(fā)工具包（SDK）來實現參數化和數據傳輸功能。SDK包括用于LED燈控制的用戶數據報協議（UDP）、用于攝像頭控制的網絡協議、用于平臺移動控制的串行通信以及用于圖像和光譜顯示的LabVIEW視覺開發(fā)模塊（VDM）。在測量過程中，VNIR線燈打開10秒以穩(wěn)定LED輸出。然后平移臺將樣品架向左移動，而高光譜相機從標準面板收集線掃描反射信號并傳遞樣品。當樣品架完成通過時，反射圖像采集結束，并且VNIR燈關閉。隨后，UV-A線燈打開10秒以穩(wěn)定。然后，當平臺返回到起始位置時，相機獲取線掃描熒光信號，完成后關閉 UV-A 燈，從而結束一個完整的成像周期。

對于預定的掃描距離，沿平移方向的空間分辨率取決于載物臺移動速度和總掃描次數。例如，當總掃描次數為 250 線、距離為 250 毫米時，載物臺以 3.3 毫米/秒的速度移動，則大約需要 76 秒，從而得到近似于 1 毫米/像素的空間分辨率。根據相機的曝光時間，調整載物臺移動速度，以使連續(xù)線掃描圖像采集與平移載物臺移動同步。根據經驗，確定了移動速度（V，單位為毫米/秒）和曝光時間（T，單位為秒）之間的倒數關系（V = 0.99/T），從而當曝光時間為 0.3 秒時，速度為 3.3 毫米/秒，當曝光時間為 0.6 秒時，速度為 1.65 毫米/秒。除了連續(xù)移動模式外，高光譜系統還能夠以增量逐步線掃描模式運行。該軟件顯示反射率和熒光圖像以及原始光譜和空間輪廓，逐行更新以顯示獲取圖像時的實時掃描進度。完成后，反射率和熒光的每幅圖像都以標準波段逐行交錯 (BIL) 格式保存到單獨的數據文件中。